CN114722900A - 一种机载雷达测深浅海底质分类方法 - Google Patents

Abstract

本发明公开了一种机载雷达测深浅海底质分类方法，属于海洋测绘技术领域，其首先基于“三段式”波形分解和二次曲面LM拟合算法提取机载雷达测深多元波形和地形特征；然后构建强度和点云特征兼顾的双支CNN动态迁移学习分类模型，通过对强度分支和点云分支进行双重训练，有效提升网络结构的整体稳定性；最后通过动态调控网络自适应调整点云分支的全连接层参数，实现参数权重迁移，增强整体双支CNN动态迁移学习分类模型的泛化性和鲁棒性。本发明通过这种方法，实现了一种机载雷达测深浅海底质的分类模型构建，该方法将为我国海洋、测绘、交通、海军等领域对于浅水海域高精度底质分类的迫切需求提供重要的技术支撑。

Description

一种机载雷达测深浅海底质分类方法

技术领域

本发明属于海洋测绘技术领域，具体涉及一种机载雷达测深浅海底质分类方法。

背景技术

机载雷达测深技术具有测量精度高、测点密度高，工作效率高、机动性强、测量连续性等特点，特别适合于浅水区、海岛礁附近区域等复杂地形的快速探测，可以实现海岸线水上水下地形的无缝拼接。机载雷达测深系统采用水体穿透能力较强的532nm绿激光作为海底探测手段，通过获得海面与海底反射激光到达接收器的时间差，加以各项改正(系统校准、姿态改正、折射改正和潮位改正等)即可计算出海底激光点的三维坐标。机载雷达测深技术可以获取丰富的原始波形信息和海底地形信息，为浅海海底底质分类提供重要的数据支撑。

海底底质类型是重要的海洋环境参数，是进行海底科学研究的基础，海底底质分类对于海洋工程建设、海洋环境监测、海底科学研究、海洋资源开采、海洋渔业发展具有重要的科学与实际意义。海岸线、岛礁等周边浅海区域作为人类活动最频繁的海域，其海域底质类型非常复杂，复杂的浅海底质对于近岸港口修筑、跨海大桥建设、海上风电平台发展、匹配场定位、低频远程声纳作用距离预报、潜艇沉底隐蔽海底选择、水下目标及水下作战环境的探测均起着至关重要的作用。

当前，浅海海底底质分类和探测主要方法有原位抓斗取样法和光学遥感探测等方式，受限于实地抓取采样的种种限制，带有实际标签的样本数据非常少。小样本训练集是制约海底底质分类发展的一个重要因素，传统的底质分类方法针对小样本训练集往往存在泛化性和鲁棒性较低的问题。针对这个问题，提出一种机载雷达测深浅海底质分类方法，通过将机载雷达测深原始波形和地形特征信息与双支CNN(Convolutional Neural Networks，卷积神经网络)迁移学习分类方法相结合，以实现浅海底质的合理分类。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种机载雷达测深浅海底质分类方法，设计合理，解决了现有技术针对小样本训练集存在的泛化性和鲁棒性较低的问题，通过结合多元特征与双支CNN动态迁移学习分类模型，实现浅海海底底质的精确分类，为我国海洋、测绘、交通、海军等领域对于浅水海域高精度底质分类的迫切需求提供重要的技术支撑。

为了实现上述目的，本发明采用如下技术方案：

一种机载雷达测深浅海底质分类方法，包括以下步骤：

步骤1：基于“三段式”波形分解和二次曲面LM(Levenberg-Marquardt，莱文贝格－马夸特)拟合算法，提取机载雷达测深多元波形和地形特征；

步骤2：构建强度和点云特征兼顾的双支CNN动态迁移学习分类模型，通过对强度分支和点云分支进行双重训练，提升网络结构的整体稳定性；

步骤3：通过动态调控网络自适应调整点云分支的全连接层参数，实现参数权重迁移，增强整体双支CNN动态迁移学习分类模型的泛化性和鲁棒性。

优选地，在步骤1中，机载雷达测深多元波形和地形特征的提取方法如下：

步骤1.1：基于“三段式”波形分解方法，提取机载雷达测深多元波形特征；

步骤1.2：基于二次曲面LM拟合算法，提取机载雷达测深多元地形特征。

优选地，“三段式”波形包括高斯函数拟合水面回波、双指数函数拟合水体回波和韦伯函数拟合底部回波；机载雷达测深多元波形特征包括振幅、波宽、半幅波宽、波形面积、偏态、峰度、反向散射截面系数、残差振幅和残差波宽；机载雷达测深多元地形特征包括坡度、高斯曲率、粗糙度、水深标准差、高程熵、起伏度、平均偏差、变异系数、凹凸系数。

优选地，在步骤2中，双支CNN动态迁移学习分类模型的构建方法如下：

步骤2.1：机载雷达测深振幅信息即为强度信息，通过对提取的振幅特征进行内插获得机载雷达测深强度图像；

步骤2.2：将机载雷达测深强度图像依据海底点云分辨率大小进行分割，分割后的图像单元仅代表一种底质类型(对于混合底质，选择占比最大的底质类型)，通过分辨图像单元的颜色和纹理特征来实现强度分支分类；

步骤2.3：迁移强度分支的训练参数至点云分支，提取的多元波形和地形特征参数作为点云分支的输入矩阵，基于自主架构的CNN网络模型和迁移训练参数，完成点云分支训练；

步骤2.4：为保证强度分支与点云分支的差异值越来越小，实现两个分支的拟合趋近，需要使用MK-MMD概率适配方法度量两个分支分布间的距离；假设强度分支和点云分支在最后的高层输出分别为Y_t ^A和Y_t ^F，利用MK-MMD概率适配方法度量出Y_t ^A与Y_t ^F之间的差异distance(Y_t ^A,Y_t ^F)，并将该差异添加到双支CNN迁移学习模型的损失函数中，损失函数如公式(1)所示：

式中，zⁱ(θ)是点云分支样本xⁱ的预测标签；其中，i＝1,2,…,N；θ＝(θ₁,θ₂)是点云分支中动态调控网络的参数；yⁱ为点云分支样本的标记标签；λ是正则项系数；P＝(p₁,…,p_m)是动态调控网络预测得到的加权参数，||·||₁表示L₁范数；

步骤2.5：L₁范数能够使双支CNN迁移学习模型的权值矩阵更加稀疏，缓解模型过拟合问题；将目标损失函数进行优化，如公式(2)所示：

其中，

L₂＝||P||₁；

步骤2.6：采用如公式(3)所示的具有可导性的等价形式来表示L₁范数：

式中，ε是一个很小的正常量。

优选地，在步骤3中，动态调控网络的训练策略如下：

步骤3.1：通过动态调控网络得到加权向量，并将该向量迁移至点云分支，动态调控网络中隐藏层与输出层的连接参数

的更新规则如公式(4)所示：

式中，

为隐藏层与输出层的连接参数，m表示迭代次数，τ_M为学习率，Loss为目标损失函数；

步骤3.2：动态调控网络输入层与隐藏层的连接参数

的更新规则如公式(5)所示：

式中，

为输入层与隐藏层的连接参数，m表示迭代次数，τ_M为学习率，

为

的一阶导数，

为激活函数，

是隐藏层第j个神经元的输入，

是输入层第i个神经元的输出，n为最后一层全连接层的神经元个数，

为隐藏层与输出层的连接参数，

为动态调控网络中输出层的局部梯度；

步骤3.3：固定动态调控网络，训练点云分支；然后固定点云分支，训练动态调控网络，通过不断交叉迭代完成训练参数的自适应动态调控。

本发明所带来的有益技术效果：

本发明提出了一种机载雷达测深浅海底质分类方法，与现有技术相比，本发明基于“三段式”波形分解和二次曲面LM拟合算法提取机载雷达测深多元波形和地形特征；进而构建兼顾强度分支和点云分支的双支CNN迁移学习分类模型，提升网络结构的整体稳定性；通过动态调控网络自适应调整全连接层参数，增强底质分类模型的泛化性和鲁棒性，有效改善传统底质分类模型的精度和运算效率。

附图说明

图1为本发明机载雷达测深浅海底质分类方法的流程图。

图2为本发明中构建的双支CNN动态迁移学习分类模型示意图。

图3为本发明中动态调控网络自适应调整全连接层示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

本发明提供了一种机载雷达测深浅海底质分类方法，其流程如图1所示，包括以下步骤：

步骤1：机载雷达测深多元波形和地形特征提取。

依据现有的机载雷达测深波形分解算法，利用“三段式”波形分解方法进行多元波形特征提取；采用稳定性强、效率高的LM算法建立海底地形点的二次曲面拟合模型进行多元地形特征的提取。

进一步的实施例中，步骤1具体包括如下步骤：

步骤1.1：基于“三段式”(高斯函数拟合水面回波、双指数函数拟合水体回波、韦伯函数拟合底部回波)波形分解方法提取机载雷达测深多元波形特征(振幅、波宽、半幅波宽、波形面积、偏态、峰度、反向散射截面系数、残差振幅、残差波宽)；

步骤1.2：基于二次曲面LM拟合算法提取机载雷达测深多元地形特征(坡度、高斯曲率、粗糙度、水深标准差、高程熵、起伏度、平均偏差、变异系数、凹凸系数)。

具体实施时，机载雷达测深多元波形和地形特征能够为浅海底质分类模型提供重要的参数基础，作为输入数据来提高分类精度。

步骤2：构建双支CNN动态迁移学习分类模型。

优秀的迁移学习分类器模型可以使机器学习系统更加可靠和鲁棒，针对浅海底质分类中遇到的小样本数据集问题，提出一种双支CNN动态迁移学习底质分类方法，通过构建强度特征和点云特征兼顾的双支CNN动态迁移学习分类模型，对强度分支和点云分支进行双重训练，有效提升分类模型网络结构的整体稳定性和泛化能力。构建的双支CNN动态迁移学习分类模型见图2。

进一步的实施例中，步骤2具体包括如下步骤：

步骤2.1：机载雷达测深振幅信息即为强度信息，通过对提取的振幅特征进行内插获得机载雷达测深强度图像；

步骤2.2：将机载雷达测深强度图像依据海底点云分辨率大小进行分割，分割后的图像单元仅代表一种底质类型(对于混合底质，选择占比最大的底质类型)，通过分辨图像单元的颜色和纹理特征来实现强度分支分类；

步骤2.3：迁移强度分支的训练参数至点云分支，提取的多元波形和地形特征参数作为点云分支的输入矩阵，基于自主架构的CNN网络模型和迁移训练参数，完成点云分支训练；

步骤2.4：为保证强度分支与点云分支的差异值越来越小，实现两个分支的拟合趋近，需要使用MK-MMD概率适配方法度量两个分支分布间的距离；假设强度分支和点云分支在最后的高层输出分别为Y_t ^A和Y_t ^F，利用MK-MMD概率适配方法度量出Y_t ^A与Y_t ^F之间的差异distance(Y_t ^A,Y_t ^F)，并将该差异添加到双支CNN迁移学习模型的损失函数中，损失函数可以表示为公式(1)：

式中，zⁱ(θ)是点云分支样本xⁱ(i＝1,2,…,N)的预测标签；θ＝(θ₁,θ₂)是点云分支中动态调控网络的参数；yⁱ为点云分支样本的标记标签；λ是正则项系数；P＝(p₁,…,p_m)是动态调控网络预测得到的加权参数，||·||₁表示L₁范数。

步骤2.5：L₁范数可以使双支CNN迁移学习模型的权值矩阵更加稀疏，缓解模型过拟合问题。进一步，可以将目标损失函数进行如下优化：

其中，

L₂＝||P||₁。

步骤2.6：由于L₁范数在零点不具有可导性，很难应用于梯度下降的训练方法，所以采用如下具有可导性的等价形式来表示L₁范数：

式中，ε是一个很小的正常量。

具体实施时，测试集样本的总体分类精度和Kappa系数均较高，获得的底质分类结果与高清航空数码相片的地物分布具有较高的一致性，整体预测结果较好。

步骤3：动态调控网络自适应调整点云分支的全连接层，增强整体底质分类模型的泛化性和鲁棒性。

在点云分支模块中，将多元波形和地形特征作为数据输入，利用动态调控网络自适应调整点云分支的全连接层参数，通过对动态调控网络和点云分支进行交叉迭代训练参数，实现训练参数权重迁移，增强整体底质分类模型的泛化性和鲁棒性。动态调控网络自适应调整全连接层示意见图3，其中p₁、p₂、p₃、p₄、p_i和p_N为训练参数，w₁、w₂、w₃、w₄、w_i和w_N为训练权重。

进一步的实施例中，步骤3具体包括如下步骤：

步骤3.1：通过动态调控网络得到加权向量，并将该向量迁移至点云分支，动态调控网络中隐藏层与输出层的连接参数

的更新规则可以表示为公式(4)：

式中，

为隐藏层与输出层的连接参数，m表示迭代次数，τ_M为学习率，Loss为目标损失函数。

步骤3.2：动态调控网络输入层与隐藏层的连接参数

的更新规则可以表示为公式(5)：

式中，

为输入层与隐藏层的连接参数，m表示迭代次数，τ_M为学习率，

为

的一阶导数，

为激活函数，

是隐藏层第j个神经元的输入，

是输入层第i个神经元的输出，n为最后一层全连接层的神经元个数，

为隐藏层与输出层的连接参数，

为动态调控网络中输出层的局部梯度。

步骤3.3：固定动态调控网络，训练点云分支；然后固定点云分支，训练动态调控网络，通过不断交叉迭代完成训练参数的自适应动态调控。

具体实施时，自适应动态调控网络的输出可以为点云分支提供训练参数的权重预测值，以此提高对于不同训练样本的泛化能力，体现底质分类模型优越的整体稳定性和鲁棒性。

综上所述，本发明提供了机载雷达测深浅海底质分类方法，方法包括：基于波形分解和二次曲面LM拟合算法提取多元波形和地形特征；构建双支CNN动态迁移学习分类模型，通过对强度分支和点云分支的双重训练，有效提升网络结构的整体稳定性；进一步通过动态调控网络自适应调整点云分支的全连接层参数，实现参数权重迁移，增强整体底质分类模型的泛化性和鲁棒性。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种机载雷达测深浅海底质分类方法，其特征在于：包括以下步骤：

步骤1：基于“三段式”波形分解和二次曲面LM拟合算法，提取机载雷达测深多元波形和地形特征；

步骤2：构建强度和点云特征兼顾的双支CNN动态迁移学习分类模型，通过对强度分支和点云分支进行双重训练，提升网络结构的整体稳定性；

步骤3：通过动态调控网络自适应调整点云分支的全连接层参数，实现参数权重迁移，增强整体双支CNN动态迁移学习分类模型的泛化性和鲁棒性。

2.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤1中，机载雷达测深多元波形和地形特征的提取方法如下：

步骤1.1：基于“三段式”波形分解方法，提取机载雷达测深多元波形特征；

步骤1.2：基于二次曲面LM拟合算法，提取机载雷达测深多元地形特征。

3.根据权利要求2所述的机载雷达测深浅海底质分类方法，其特征在于：“三段式”波形包括高斯函数拟合水面回波、双指数函数拟合水体回波和韦伯函数拟合底部回波；机载雷达测深多元波形特征包括振幅、波宽、半幅波宽、波形面积、偏态、峰度、反向散射截面系数、残差振幅和残差波宽；机载雷达测深多元地形特征包括坡度、高斯曲率、粗糙度、水深标准差、高程熵、起伏度、平均偏差、变异系数、凹凸系数。

4.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤2中，双支CNN动态迁移学习分类模型的构建方法如下：

步骤2.1：机载雷达测深振幅信息即为强度信息，通过对提取的振幅特征进行内插获得机载雷达测深强度图像；

步骤2.2：将机载雷达测深强度图像依据海底点云分辨率大小进行分割，分割后的图像单元仅代表一种底质类型，通过分辨图像单元的颜色和纹理特征来实现强度分支分类；

步骤2.3：迁移强度分支的训练参数至点云分支，提取的多元波形和地形特征参数作为点云分支的输入矩阵，基于自主架构的CNN网络模型和迁移训练参数，完成点云分支训练；

步骤2.4：为保证强度分支与点云分支的差异值越来越小，实现两个分支的拟合趋近，需要使用MK-MMD概率适配方法度量两个分支分布间的距离；假设强度分支和点云分支在最后的高层输出分别为Y_t ^A和Y_t ^F，利用MK-MMD概率适配方法度量出Y_t ^A与Y_t ^F之间的差异distance(Y_t ^A,Y_t ^F)，并将该差异添加到双支CNN迁移学习模型的损失函数中，损失函数如公式(1)所示：

式中，zⁱ(θ)是点云分支样本xⁱ的预测标签；其中，i＝1,2,…,N；θ＝(θ₁,θ₂)是点云分支中动态调控网络的参数；yⁱ为点云分支样本的标记标签；λ是正则项系数；P＝(p₁,…,p_m)是动态调控网络预测得到的加权参数，||·||₁表示L₁范数；

步骤2.5：L₁范数能够使双支CNN迁移学习模型的权值矩阵更加稀疏，缓解模型过拟合问题；将目标损失函数进行优化，如公式(2)所示：

其中，

L₂＝||P||₁；

步骤2.6：采用如公式(3)所示的具有可导性的等价形式来表示L₁范数：

式中，ε是一个很小的正常量。

5.根据权利要求1所述的机载雷达测深浅海底质分类方法，其特征在于：在步骤3中，动态调控网络的训练策略如下：

步骤3.1：通过动态调控网络得到加权向量，并将该向量迁移至点云分支，动态调控网络中隐藏层与输出层的连接参数

的更新规则如公式(4)所示：

式中，

为隐藏层与输出层的连接参数，m表示迭代次数，τ_M为学习率，Loss为目标损失函数；

步骤3.2：动态调控网络输入层与隐藏层的连接参数

的更新规则如公式(5)所示：

式中，

为输入层与隐藏层的连接参数，m表示迭代次数，τ_M为学习率，

为

的一阶导数，

为激活函数，

是隐藏层第j个神经元的输入，

是输入层第i个神经元的输出，n为最后一层全连接层的神经元个数，

为隐藏层与输出层的连接参数，

为动态调控网络中输出层的局部梯度；

步骤3.3：固定动态调控网络，训练点云分支；然后固定点云分支，训练动态调控网络，通过不断交叉迭代完成训练参数的自适应动态调控。

Images